自动化研究产物 — 非上游项目。
本仓库是由自动化测试框架为拉瓦尔大学（Université Laval）硕士论文构建的一次性实验环境，用于复现已发表的 GitHub Actions 工作流漏洞。它是
openlit/openlit在提交8529a7746ce2cae946bd2346cb3792c22f86cbee（2026-02-24）时的逐字快照，依据该项目自身的许可证重新分发，该许可证文件已原样包含在本快照中。上游项目未参与其中，也从未成为攻击目标，此处研究的漏洞已公开。本仓库中的每个密钥和变量均为随机生成的虚拟值——不存在任何真实凭据。操作引用和运行器镜像均固定为 2026-02-24 时解析到的版本；有关对快照所做的每项更改，请参阅测试框架输出中的
pinning.md。如有疑问或异议：[email protected]
https://github.com/user-attachments/assets/6909bf4a-f5b4-4060-bde3-95e91fa36168
OpenLIT 让您能够简化 AI 开发工作流，尤其是针对生成式 AI 和大语言模型（LLM）。它精简了诸如试验 LLM、组织和版本化管理提示词、以及安全处理 API 密钥等关键任务。仅需一行代码，您即可启用原生 OpenTelemetry 可观测性，提供涵盖 LLM、向量数据库和 GPU 的全栈监控。这使得开发者能够自信地构建 AI 功能和应用，从测试平稳过渡到生产环境。
本项目自豪地遵循并维护与 OpenTelemetry 社区共同制定的语义约定，并持续更新以对齐可观测性领域的最新标准。
📈 分析仪表盘：通过跟踪指标、成本和用户交互的详细仪表盘，监控您的 AI 应用健康状态与性能，清晰呈现整体效率。
🔌 原生 OpenTelemetry 可观测性 SDK：供应商中立的 SDK，用于将追踪（traces）和指标（metrics）发送到您现有的可观测性工具。
💲 自定义与微调模型的成本跟踪：使用自定义定价文件，为特定模型定制成本估算，实现精准预算管理。
🐛 异常监控仪表盘：通过专用监控仪表盘跟踪常见异常和错误，快速发现并解决问题。
💭 提示词管理：使用 Prompt Hub 管理和版本化管理提示词，确保跨应用的一致性和便捷访问。
🔑 API 密钥与机密管理：集中安全管理您的 API 密钥和机密，避免不安全做法。
🎮 试验不同的 LLM：使用 OpenGround 并排探索、测试和比较各种 LLM。
🚀 用于 OpAMP 管理的 Fleet Hub：使用 OpAMP（开放代理管理协议）并通过安全的 TLS 通信，集中管理和监控您基础设施中的 OpenTelemetry Collector。
flowchart TB; subgraph " " direction LR; subgraph " " direction LR; OpenLIT_SDK[OpenLIT SDK] -->|Sends Traces & Metrics| OTC[OpenTelemetry Collector]; OTC -->|Stores Data| ClickHouseDB[ClickHouse]; end subgraph " " direction RL; OpenLIT_UI[OpenLIT] -->|Pulls Data| ClickHouseDB; end end
### 步骤 1：部署 OpenLIT 技术栈
1. 克隆 OpenLIT 仓库
打开你的命令行或终端，然后运行： ```shell
git clone [email protected]:openlit/openlit.git
使用 Docker 自行托管
通过以下命令部署并运行 OpenLIT： ```shell docker compose up -d
有关使用 Helm 在 Kubernetes 中安装的说明，请参阅 Kubernetes Helm 安装指南。
打开命令行或终端并运行：```bash pip install openlit
> 有关使用 TypeScript SDK 的说明，请参阅 [TypeScript SDK 安装指南](https://github.com/openlit/openlit/tree/main/sdk/typescript#-installation)。
### 步骤 3：在您的应用程序中初始化 OpenLIT
通过将以下代码行添加到您的代码中，将 OpenLIT 集成到您的 AI 应用程序中。```python
import openlit
openlit.init()
按如下方式配置遥测数据目标：
| 用途 | 参数/环境变量 | 用于发送至 OpenLIT |
|---|---|---|
| 将数据发送至 HTTP OTLP 端点 | otlp_endpoint 或 OTEL_EXPORTER_OTLP_ENDPOINT | "http://127.0.0.1:4318" |
| 对遥测后端进行身份验证 | otlp_headers 或 OTEL_EXPORTER_OTLP_HEADERS | 默认情况下不需要 |
💡 提示：如果未提供
otlp_endpoint或OTEL_EXPORTER_OTLP_ENDPOINT，OpenLIT SDK 将直接把追踪信息输出到您的控制台，这在开发阶段是推荐的做法。
在您的应用程序代码中添加以下两行： ```python import openlit
openlit.init( otlp_endpoint="http://127.0.0.1:4318", )
</details>
---
<details>
---
<summary>使用环境变量进行初始化</summary>
在你的应用程序代码中添加以下两行： ```python
import openlit
openlit.init()
然后，使用环境变量配置你的 OTLP 端点： ```env export OTEL_EXPORTER_OTLP_ENDPOINT = "http://127.0.0.1:4318"
</details>
---
### 第 4 步：可视化与优化
现在，可观测性数据已被收集并发送到 OpenLIT，下一步就是可视化并分析这些数据，以深入了解 AI 应用的性能和行为，并找出需要改进的地方。
只需在浏览器中访问 `127.0.0.1:3000` 即可开始探索 OpenLIT。您可以使用默认凭据登录：
- **邮箱**：`[email protected]`
- **密码**：`openlituser`
## 📦 支持的集成
OpenLIT 只需一行代码即可自动检测 **44+ 个 LLM 提供商、AI 框架和向量数据库**。每个集成都会生成 [OpenTelemetry 原生](https://opentelemetry.io/) 的追踪和指标。点击任意卡片即可查看集成文档。
<sub>
<img src="https://img.shields.io/badge/Python-3776AB?logo=python&logoColor=white&style=flat-square" height="16"> Python SDK
<img src="https://img.shields.io/badge/TypeScript-3178C6?logo=typescript&logoColor=white&style=flat-square" height="16"> TypeScript SDK
</sub>
### LLM 提供商